Kişiselleştirilmiş ve uyarlanabilir e-ticaret önerileri için anahtarlamalı bir derin öğrenme çerçevesi

Daha akıllı çevrimiçi öneriler neden önemli

Çevrimiçi alışveriş yaptığınız her seferinde, perde arkasında bir algoritma bir sonraki neyi görmek isteyebileceğinizi tahmin eder. Ancak insanların alışveriş sitelerini kullanma biçimleri çok farklıdır: bazıları yeni gelmiştir, bazıları rastgele göz atar, bazıları ise düzenli ve sadık müşterilerdir. Bu makale, bu farklılıklara gerçek zamanlı uyum sağlayan yeni bir öneri çerçevesi sunuyor; amaç, ürün önerilerini ilk ziyaretçilerden sık alışveriş yapanlara kadar herkes için daha doğru, adil ve kullanışlı hâle getirmek.

Tek tür değil, üç tür alışveriş yapan

Yazarlar, tüm kullanıcıları aynı şekilde ele almanın zayıf önerilere yol açtığını iddia ederek başlıyor. Alışveriş yapanları siteyle ne kadar etkileşimde bulunduklarına göre üç geniş gruba ayırıyorlar. “Yeni gelenler” neredeyse hiç geçmişe sahip değildir; belki yalnızca birkaç arama veya tıklama vardır. “Hafif kullanıcılar” birkaç ziyaret veya satın alma gerçekleştirmiştir. “Ağır kullanıcılar” ise görüntülemeler, tıklamalar, sepete eklemeler, puanlamalar ve siparişler gibi uzun bir iz bırakır. Her grup farklı türde ve miktarda veri üretir, dolayısıyla tek tip bir algoritma hepsine eşit derecede iyi hizmet etmekte zorlanır.

Yeni ziyaretçilere görseller ve açıklamalarla yardımcı olmak

Tamamen yeni kullanıcılar için, yaygın taktik—geçmiş davranışlarda desen aramak—işe yaramaz çünkü böyle bir geçmiş yoktur. Önerilen sistem bu “soğuk başlangıç” sorununu ürünlerin kendisine dayanarak çözüyor. Hem ürün görsellerinden hem de başlık, marka, kategori ve fiyat gibi yazılı ayrıntılardan öğrenen bir sinir ağı kullanıyor. Bu farklı bilgi parçaları ortak bir sayısal temsile birleştirilir, böylece benzer görünüm ve açıklamaya sahip ürünler bu soyut uzayda birbirine yakın konumlanır. Yeni bir ziyaretçi basit bir sorgu yazdığında veya birkaç öğeye tıkladığında, sistem bu eylemleri aynı uzaya eşler ve yakın ürünleri döndürerek uzun vadeli alışkanlıklardan ziyade görünüş ve metinden zevki tahmin eder.

Rahat kullanıcıları hafif eşleştirme ile desteklemek

Hafif kullanıcılar bazı doğrudan ipuçları sağlar—örneğin sınırlı sayıda görüntüleme veya geçmiş satın almalar—ancak yine de çok karmaşık yöntemler için yeterli değildir. Bu grup için çerçeve sadeleştirilmiş bir “iki-kule” modeli kullanır. Bir kule kullanıcının kim olduğunu ve şimdiye kadar neler yaptığını özetler; diğer kule ise ürün özelliklerini özetler. Eğitim sırasında sistem, kullanıcının temsilini etkileşimde bulunduğu öğelere yaklaştırmayı ve diğerlerinden uzaklaştırmayı öğrenir. Bu tasarım, büyük kataloglar içinde çok hızlı tarama yaparak umut vadeden öğelerin kısa listesini seçmeyi sağlar. Testler, eğitildikten sonra doğru öğenin ilk 10 öneri arasında yer alma olasılığının yaklaşık iki katına çıktığını ve sıralama kalitesinin eğitilmemiş bir versiyona göre önemli ölçüde iyileştiğini gösteriyor.

Sık kullanıcıları aynı anda çok sayıda sinyalle güçlendirmek

Ağır kullanıcılar zengin izler bırakır: neyi görüntüledikleri, ne satın aldıkları, öğeleri nasıl puanladıkları ve daha fazlası. Bu davranışlardan yalnızca birine odaklanmak yerine, yazarlar birden fazla hedefi aynı anda öğrenen çok görevli bir model kurar. Ortak bir çekirdek hem kullanıcıları hem de ürünleri temsil eder; bunun üzerinde bir dal puanları tahmin ederken başka bir dal kullanıcının muhtemelen hangi öğeyi bir sonraki seçeceğini tahmin eder. Her iki görevin birlikte eğitilmesi, görüntüleme gibi bol ama gürültülü sinyallerin puanlama gibi daha nadir fakat daha bilgilendirici sinyaller için öğrenmeyi güçlendirmesine izin verir. Deneyler, yalnızca puanlara veya yalnızca getirmeye göre ayarlanmış modellerin kendi tek hedefine iyi performans gösterdiğini fakat diğerinde zayıf kaldığını; oysa ortak modelin daha iyi bir denge kurduğunu gösteriyor.

Doğru aracı doğru zamanda açmak

Bu parçaları birbirine bağlayan ana fikir, her kişinin mevcut etkileşim düzeyine göre doğru modeli seçen bir anahtarlama mekanizmasıdır. Birisi yeni ziyaretçiden rahat kullanıcıya, oradan da sık müşteriye geçerken sistem etkinlik değişikliklerini takip eder ve verilerini en uygun modülden otomatik olarak geçirir. Üç grubun tamamında bu uyarlanabilir tasarım tahmin hatalarını azaltır, isabet oranlarını artırır ve modern platformların topladığı çok sayıda zayıf sinyali daha iyi değerlendirmeyi sağlar. Gündelik anlatımla, bu demektir ki “Sizin için önerilenler” listeniz, yeni gelmiş olsanız da yıllardır sitede alışveriş yapıyor olsanız da alakalı kalabilir; bir grubun ihtiyaçlarının diğerinin önüne geçmesine izin vermez.

Atıf: Saini, K., Singh, A., Diwakar, M. et al. A switching-based deep learning framework for personalized and adaptive E-commerce recommendations. Sci Rep 16, 10382 (2026). https://doi.org/10.1038/s41598-026-40024-5

Anahtar kelimeler: e-ticaret önerisi, kişiselleştirilmiş alışveriş, derin öğrenme, kullanıcı davranışı, öneri sistemleri